「人脸识别」学习FaceNet(1)

本文详细介绍使用FaceNet进行人脸识别的过程,包括环境搭建、数据准备、模型训练及验证等关键步骤,并分享了初步实验结果。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

由于是第一次做 人脸识别,自己摸索,本来师兄是叫我先看MTCNN,不知道怎么回事蹦到了FaceNet了。不过先拿FaceNet做识别出个baseline吧。

CODE_HOME github

Train a classifier on own images

因为完全不知道怎么开始,所以先按照原本流程走一边。按照LFW的训练步骤:

安装依赖项

In the below description it is assumed that
a) Tensorflow has been  installed , and
b) the Facenet  repo  has been cloned, and

c) the required python modules has been installed.

下载LFW数据集

wget http://vis-www.cs.umass.edu/lfw/lfw.tgz

解压到 facenet\data\lfw

处理数据(校准/对齐 将数据修剪到与预训练模型使用的数据集一致大小)

1.配置路径 

export PYTHONPATH=/home/hszc/Desktop/ZHIHUICHENGSHI/version1/facenet/src

不配置得话会报错

ImportError: No module named facenet

2.处理数据

cd facenet
python src/align/align_dataset_mtcnn.py data/lfw/ data/lfw_160 --image_size 160 --margin 32 --random_order --gpu_memory_fraction 0.25

注意这里!

data/lfw                        #输入图像文件夹
data/lfw_160                   #输出图像文件夹
--image_size 160 --margin 32 --random_order--gpu_memory_fraction 0.25       #指定裁剪后图像大小(如果不指定,默认的裁剪结果是182*182像素的)


下载预训练模型  (能翻墙就直接点击 后面上传网盘链接

Download and extract the model and place in your favorite models directory (in this example we use ~/models/facenet/). After extracting the archive there should be a new folder 20180402-114759with the contents

20180402-114759.pb
model-20180402-114759.ckpt-275.data-00000-of-00001
model-20180402-114759.ckpt-275.index
model-20180402-114759.meta

运行测试

python src/validate_on_lfw.py data/lfw_160 /home/hszc/Desktop/ZHIHUICHENGSHI/version1/facenet/models/facenet/20180402-114759

模型路径 : 绝对路径!

运行结果:

Rnnning forward pass on LFW images
............
Accuracy: 0.98500+-0.00658
Validation rate: 0.90100+-0.02395 @ FAR=0.00067
Area Under Curve (AUC): 0.998
Equal Error Rate (EER): 0.016
2018-06-17 12:42:08.080002: W t

在输出文件夹中多了两个文件,其中有一个是------- bounding_boxes_47735



参考:

https://github.com/davidsandberg/facenet/wiki/Validate-on-lfw

https://www.cnblogs.com/dyufei/p/8250484.html


评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值